遷移學習：共享AI智慧的途徑

高煥堂

0引言

遷移學習（Transfer Learning）就像俗稱的“拿來主義”，善用別人已經訓練好模型的參數（智慧），引入到自己的模型里，可以迅速建立1個AI的應用情境。本文以ResNet50為例，說明如何復用（Reuse）已經訓練好的ResNet50的智慧（模型和參數），幫您瞬間探索任何一張圖像的特征（Feature），然后幫您識別出圖片里的人或物的種類，如水牛、斑馬、貓頭鷹或汽車等。

1認識遷移學習：以ResNel50為例

AI的智慧是來自機器的自我學習，通稱為機器學習。它經常需要借助大量的數據來訓練。例如，ResNet50就使用100多萬張圖像而訓練出來的。在訓練的過程中，它去探索每張圖像中的特稱，并且學習歸納和分類。目前的ResNet50可以準確地識別出1000種人或物，如日常生活中常遇到的狗、貓、食物、汽車和各種家居物品等。例如，您可以隨意從百度圖片上截取一張224x224大小的圖片，如圖1。

當您把這圖片提交給Re sNet50，它會瞬間探索并進行分類，然后告訴您：我預測這是大熊貓（Giantpanda）。

2介紹ResNel50模型的結構

目前最常見的AI圖像識別模型是：卷積網路（cNN）模型。這ResNet50就是基于CNN的模型，如圖2。

其中，CNN模型包含兩部分：卷積層（convolutionLayers）與全連接層（Full-Connected Layers）。前者我特別稱之為丫鬟部分;而后者則稱之為格格部分，如圖3。

Conv部分比較復雜，共約有40個層;而FC部分約有10個層。所以稱之為ResNet50模型。

3復用ResNel50智慧的方法

典型的復用（Reuse）步驟如下。

它告訴您了：我預測99%的可能性是大熊貓（Giantpanda）。

5僅復用丫鬟，訓練自己的格格

5.1說明

由于ResNet50是典型的CNN模型，包含卷積層與FC層。在上一節里，使用Excel畫面來操作ResNet50，并復用了全部（卷積層與FC層）的權重，就不必重新訓練，而直接用來辨別圖像里的東西?！?br>